⚡ electrical engineering

Robust Power System State Estimation using Physics-Informed Neural Networks

تقترح هذه الورقة نهجاً هجيناً باستخدام الشبكات العصبية المستنيرة بالفيزياء (PINNs) لتعزيز دقة ومتانة تقدير حالة نظام القدرة بشكل كبير في كل من الظروف العادية وظروف الأعطال، بما في ذلك السيناريوهات التي تنطوي على هجمات التلاعب بالبيانات، وذلك عن طريق دمج القوانين الفيزيائية في بنية الشبكة العصبية.

المؤلفون الأصليون: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل مدينة ضخمة ومعقدة، حيث ملايين الأضواء، والأجهزة، والسيارات الكهربائية، كلها متصلة بشبكة واحدة عملاقة. الحفاظ على سير هذه الشبكة بسلاسة يشبه قيادة أوركسترا ضخمة. يحتاج قائد الأوركسترا (مشغل نظام الطاقة) إلى معرفة ما تفعله كل آلة (كل حافلة وسلك) الآن تماماً للحفاظ على استمرار الموسيقى دون وقوع حادث. هذا ما يسمى بـ تقدير الحالة (State Estimation).

ومع ذلك، فإن هذه الأوركسترا أصبحت أصعب في الإدارة. فالموسيقى تتغير بسرعة (الطاقة المتجددة)، وورقة النوتة الموسيقية مفقودة أحياناً (بيانات شحيحة)، والأسوأ من ذلك، قد يتسلل شخص ما إلى غرفة التحكم ويقوم بتغيير النوتات على الورقة ليجعل الأوركسترا تعزف اللحن الخاطئ (هجمات سيبرانية).

تقدم هذه الورقة البحثية قائداً جديداً فائق الذكاء: الشبكة العصبية المعتمدة على الفيزياء (Physics-Informed Neural Network - PINN).

إليك كيف يعمل هذا النظام، مقسماً إلى مفاهيم بسيطة:

1. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (الرياضيات التقليدية): تخيل أنك تحاول حل لغز ضخم من خلال النظر فقط إلى القطع التي تملكها. إذا كانت هناك قطعة مفقودة أو مكسورة، عليك أن تخمن. إنها عملية بطيئة، وإذا تغير شكل اللغز فجأة (مثل عاصفة أو هجوم سيبراني)، ستصاب بالارتباك.
طريقة "الذكاء الاصطناعي الصرف" (الشبكات العصبية القياسية): تخيل طالباً حفظ آلاف الألغاز السابقة. إنه سريع! ولكن إذا رأى لغزاً لم يره من قبل، أو إذا استبدل شخص ما قطعة بأخرى مزيفة، فقد يخمن بشكل عشوائي تماماً لأنه يعرف فقط ما حفظه، وليس لماذا يعمل اللغز.
طريقة الـ PINN (بطل هذه الورقة): هذا يشبه طالباً حفظ آلاف الألغاز و درس أيضاً قوانين الفيزياء التي تحكم كيفية بناء هذه الألغاز. هو يعرف أن القطعة المربعة يجب أن تتناسب مع الفتحة المربعة، وأن الجاذبية تسحب للأسفل دائماً. حتى لو كان اللغز مكسوراً أو حاول شخص ما خداعه بقطعة مزيفة، فإنه يستخدم تلك "قوانين الفيزياء" ليدرك: "مهلاً، هذا لا يبدو منطقياً"، ثم يقوم بتصحيحه.

2. السر الكامن في "الدماغ": الفيزياء

في هذه الورقة، قام الباحثون ببناء دماغ ذكاء اصطنا-عي خاص. عادةً، يتعلم الذكاء الاصطناً من البيانات فقط (مثل مشاهدة فيديو لحادث سيارة). لكن هذا الذكاء تم تعليمه أيضاً قوانين الكهرباء (مثل قوانين كيرشوف، وهي القواعد التي تقول "ما يدخل يجب أن يخرج").

التشبيه: تخيل تعليم روبوت القيادة.
- الذكاء الاصطناعي القياسي: تعرض للروبوت 1,000 فيديو للقيادة. يتعلم الروبوت محاكاة الحركات. إذا رأى سيارة تقود على السقف، فقد يحاول القيادة على السقف أيضاً لأنه يعتقد أن هذا أمر طبيعي.
- الـ PINN: تعرض للروبوت الفيديوهات، ولكن تخبره أيضاً: "السيارات لا يمكنها القيادة على السقف بسبب الجاذبية". إذا رأى الروبوت سيارة على السقف، سيعرف أن هذا خلل أو كذبة، وليس واقعاً.

3. لماذا هذا مهم (القوى الخارقة)

اختبر الباحثون هذا الذكاء الاصطنا الجديد على مدينتين اختباريتين شهيرتين (أنظمة IEEE 14-bus و 118-bus). وإليكم ما وجدوه:

دقة فائقة: حتى عندما لم يرَ الذكاء الاصطناً موقفاً معيناً من قبل، فقد خمن حالة الشبكة بشكل أفضل بكثير من الذكاء الاصطنا-عي القياسي. لقد كان أكثر دقة بنسبة 83% في الألغاز الجديدة.
درع الهجمات السيبرانية: هذا هو الجزء الأروع. تخيل أن مخترقاً يحاول خداع الشبكة عبر إرسال بيانات مزيفة تقول: "كل شيء على ما يرام!" بينما الشبكة في الواقع تحترق.
- الذكاء الاصطنا-عي القياسي قد يصدق البيانات المزيفة لأنها تبدو مثل البيانات التي تدرب عليها.
- الـ PINN ينظر إلى البيانات المزيفة ويقول: "مستحيل. إذا كانت الطاقة تتدفق بهذا الشكل، فيجب أن يكون الجهد عالياً بهذا القدر. وبما أن بياناتك تقول إنه منخفض، فأنت تكذب!".
- النتيجة: كان الـ PINN أكثر دقة بنسبة 93% في اكتشاف الحقيقة أثناء الهجوم. لقد عمل كجهاز كشف كذب للكهرباء.

4. كيف قاموا بضبطه

لم يقم الباحثون بمجرد التخمين لكيفية بناء هذا الدماغ. لقد استخدموا طريقة منهجية (مثل طاهٍ ماهر يتذوق الحساء ويعدل الملح والفلفل والحرارة) لإيجاد التوازن المثالي بين:

التعلم من البيانات: "ماذا قالت المستشعرات؟"
اتباع الفيزياء: "هل يتوافق هذا مع قوانين الكهرباء؟"
معرفة الثوابت: "نحن نعلم أن الجهد عند هذا المولد المحدد هو دائماً 1.0."

لقد وجدوا الوصفة المثالية بحيث لا يصبح الذكاء الاصطنا-عي مهووساً جداً بالبيانات (التي قد تكون مشوشة) ولا مهووساً جداً بالقواعد (التي قد تكون جامدة للغاية).

الخلاصة

تقترح هذه الورقة طريقة لجعل شبكات الطاقة لدينا أكثر ذكاءً وأماناً. من خلال تعليم الذكاء الاصطنا-عي "قواعد اللعبة" (الفيزياء) جنباً إلى جنب مع "لقطات اللعبة" (البيانات)، نحصل على نظام هو:

أسرع في فهم ما يحدث.
أذكى في التعامل مع المفاجآات (مثل العواصف أو تعطل المعدات).
أصعب في الخداع من قبل المخترقين الذين يحاولون التلاعب بالبيانات.

الأمر يشبه الترقية من نظام GPS يتبع فقط تقارير المرور، إلى نظام GPS يفهم أيضاً قوانين الفيزياء، بحيث يعرف متى يكون تقرير المرور كذبة ويخبرك بالطريق الحقيقي للسير.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تقدير حالة نظام القدرة باستخدام الشبكات العصبية المستندة إلى الفيزياء" (Robust Power System State Estimation using Physics-Informed Neural Networks).

1. بيان المشكلة

تواجه أنظمة القدرة الحديثة تعقيداً متزايداً بسبب دمج الطاقة المتجددة، وتقنيات الشبكة الذكية، والشبكات المترابطة. هذا التعقيد يخلق تحديات كبيرة لعملية تقدير الحالة (State Estimation - SE)، والتي تُعد بالغة الأهمية للمراقبة في الوقت الفعلي واستقرار الشبكة.

قصور الطرق التقليدية: تعتمد التقنيات التقليدية مثل المربعات الصغرى الموزونة (WLS) على عمليات تكرارية وبيانات SCADA متفرقة. وهي تعاني من متطلبات حوسبة عالية، وبطء في زمن الاستجابة، وصعوبة في التعامل مع الظروف الديناميكية أو الأخطاء العابرة الناتجة عن الطاقات المتجددة المتقطعة.
قصور التعلم الآلي القائم على البيانات فقط: بينما توفر الشبكات العصبية (NNs) السرعة والقدرة على التعامل مع اللاخطية بشكل جيد، إلا أنها غالباً ما تتجاهل القوانين الفيزيائية الأساسية. وهذا يجعلها عرضة للإفراط في التخصيص (Overfitting)، وغير موثوقة في ظل البيانات المتفرقة، وعرضة للهجمات السيبرانية (مثل حقن البيانات الخاطئة - False Data Injection) حيث تؤدي البيانات المستشعرة المتلاعب بها إلى تقديرات خاطئة للحالة.
الفجوة: هناك حاجة إلى نهج هجين يجمع بين سرعة التعلم الآلي وموثوقية الالتزام بالقيود الفيزيائية لضمان المتانة ضد الأعطال والتهديدات السيبرانية.

2. المنهجية

يقترح المؤلفون إطار عمل للشبكات العصبية المستندة إلى الفيزياء (PINN) مصمم خصيصاً لتقدير حالة نظام القدرة.

أ. المفهوم الجوهري

على عكس الشبكات العصبية القياسية التي تقلل فقط من الخطأ بين البيانات المتوقعة والمرصودة، تقوم شبكات PINN بدمج القوانين الفيزيائية مباشرة في دالة الخسارة (Loss Function). يتم تدريب النموذج ليلبي كلاً من نقاط البيانات المرصودة ومعادلات النظام الحاكمة.

ب. صياغة دالة الخسارة

دالة الخسارة الإجمالية ($Loss$) هي مجموع موزون لثلاثة مكونات:
$Loss = \lambda_d \cdot d + \lambda_p \cdot p + \lambda_c \cdot c$
حيث أن:

حد البيانات ( $d$ ): متوسط مربع الخطأ (MSE) بين الجهود المركبة المقدرة ( $V_{est}$ ) والجهود الحقيقية ( $V_{true}$ ).
الحد الفيزيائي ( $p$ ): متوسط مربع الخطأ الذي يفرض قانون كيرشوف للتيار وطوبولوجيا الشبكة. يقوم بحساب الفرق بين التيارات المحقونة الفعلية ( $I_{true} = Y \cdot V_{true}$ ) والتيارات المقدرة ( $I_{est} = Y \cdot V_{est}$ )، حيث تمثل $Y$ مصفوفة السماحية (Admittance Matrix) المعروفة. هذا يجبر الشبكة على احترام طوبولوجيا النظام.
حد الثوابت ( $c$ ): متوسط مربع الخطأ الذي يعاقب الانحرافات عن ثوابت النظام المعروفة (مثل قيم الجهد عند نواقل المولدات أو زاوية الناقل المرجعي "Slack Bus" أثناء الحالة المستقرة).

ج. بنية المدخلات والمخرجات

المدخلات: حقن القدرة الفعالة ( $P$ ) والقدرة غير الفعالة ( $Q$ ) عند كل ناقل (Bus).
المخرات: الجهود المركبة المقدرة (المقدار وزاوية الطور) لجميع النواقل.
الآلية: من خلال تعلم الارتباط بين حقن القدرة والجهود مع تقليل الخطأ القائم على الفيزياء، تتعلم الشبكة ضمناً طوبولوجيا النظام دون الحاجة لتعديلات هيكلية صريحة.

د. استراتيجية التحسين

يستخدم المؤلفون نهج تحسين المعلمات الفائقة المنهجي باستخدام مُحسّن ميتا (Meta-optimizer) من نوع "Tree-Structured Parzen Estimator (TPE)".

يقومون بالبحث المنهجي عن الأوزان المثلى ( $\lambda_d, \lambda_p, \lambda_c$ ) التي توازن بين مكونات الخسارة.
يقومون بتحسين المعلمات الهيكلية (الطبقات، عدد الخلايا العصبية، معدل التعلم، حجم الدفعة) لضمان قدرة النموذج على التعميم بشكل جيد عبر مختلف ظروف التشغيل.

3. المساهمات الرئيسية

إطار عمل هجين: يقترح بنية PINN مبتكرة تدمج القوانين الفيزيائية (معادلات تدفق القدرة، قيود مصفوفة السماحية) مباشرة في عملية تدريب الشبكة العصبية لتقدير الحالة.
المتانة تجاه الشذوذ: يثبت دمج القيود الفيزيائية تحسناً كبيراً في المرونة ضد هجمات التلاعب بالبيانات وأعطال النظام (مثل أعطال الثلاث مراحل، وإيقاف تشغيل المولدات) مقارنة بالنماذج القائمة على البيانات فقط.
التحسين المنهجي: يقدم إجراءً صارماً لضبط المعلمات الفائقة لتحديد التوازن الأمثل بين دقة البيانات والاتساق الفيزيائي، مما يعالج قصوراً شائعاً في أدبيات PINN الحالية.
التحقق من القابلية للتوسع: يتم التحقق من النهج باستخدام نظامي اختبار قياسيين (IEEE 14-bus و IEEE 118-bus)، مما يثبت القابلية للتوسع من الشبكات الصغيرة إلى الكبيرة.

4. النتائج التجريبية

تم اختبار النموذج على أنظمة IEEE 14-bus و IEEE 118-bus تحت سيناريوهات مختلفة، بما في ذلك الحالة المستقرة، انقطاع المولدات، الأعطال العابرة، والهجمات السيبرانية.

تحسينات الدقة:
- البيانات غير المرئية: حققت PINN دقة أعلى بنسبة ~83% في المجموعات الفرعية غير المرئية من بيانات التدريب، وأداءً أفضل بنسبة ~65% في مجموعات البيانات الجديدة تماماً وغير المرتبطة مقارنة بالشبكات العصبية القياسية.
- الحالة المستقرة: في نظام IEEE 14-bus، قللت PINN متوسط الخطأ المطلق (MAE) بنسبة ~57.3% مقارنة بالشبكة العصبية المحسنة. وفي نظام IEEE 118-bus، وصل التحسن إلى ~82.91%.
المتانة تجاه الأعطال:
- أثناء إيقاف تشغيل المولدات وارتفاع الأحمال المفاجئ، حافظت PINN على استقرار متوسط الخطأ المطلق (MAE)، بينما تدهور أداء الشبكات العصبية القياسية.
- في سيناريوهات عطل الثلاث مراحل، أظهرت PINN دقة أفضل بنسبة ~20.53% (لـ 14-bus) و ~37.67% (لـ 118-bus) مقارنة بالشبكات العصبية.
المقاومة للهجمات السيبرانية:
- تحت هجمات التلاعب بالبيانات (حقن البيانات الخاطئة) التي تستهدف نواقل محددة، عملت PINN كمرشح (Filter)، مستفيدة من القيود الفيزيائية لرفض البيانات الخاطئة.
- النتيجة: كانت PINN أكثر دقة بنسبة تصل إلى ~93% من الشبكة العصبية المكافئة في تقدير حالة النظام أثناء الهجمات على نظام 14-bus، وبنسبة ~76% أكثر دقة على نظام 118-bus.
الكفاءة الحسابية:
- كانت أوقات التدريب معقولة (مثلاً ~34 ثانية لـ 14-bus، و ~40 ثانية لـ 118-bus).
- كانت أوقات الاستدلال (Inference) سريعة للغاية (~0.035–0.040 مللي ثانية)، مما يجعل النهج مناسباً للتطبيقات في الوقت الفعلي.

5. الأهمية والخاتمة

تثبت هذه الورقة أن الشبكات العصبية المستندة إلى الفيزياء (PINNs) هي بديل متفوق لكل من الطرق التكرارية التقليدية والتعلم الآلي القائم على البيانات فقط لتقدير حالة أنظمة القدرة.

الأمن: من خلال ربط التنبؤات بالقوانين الفيزيائية، تعمل شبكات PINN بطبيعتها على اكتشاف وتخفيف تأثير الهجمات السيبرانية التي تنتهك هذه القوانين، مما يوفر طبقة دفاع حاسمة لأمن الشبكة.
التعميم: يتطلب هذا النهج بيانات أقل لتحقيق دقة عالية، ويتعمم بشكل أفضل مع ظروف الأعطال غير المرئية وطوبولوجيا الأنظمة المختلفة.
التأثير المستقبلي: تشير الدراسة إلى أن دمج القيود الفيزيائية أمر ضروري للجيل القادم من أنظمة القدرة السيبرانية-الفيزيائية المرنة. قد يستكشف العمل المستقبلي بنيات متعددة لـ PINN (Multi-PINN) للتجميع المحلي والتعلم بنقل المعرفة (Transfer Learning) لتعزيز قدرات كشف الشذوذ بشكل أكبر.